在產品經理的日常工作中，分析數據是必不可少的。利用分析結果進行產品決策和重新報價，已經成為產品經理的必備技能。
最近系統學習了產品經理的數據分析課程，發現“九大數據分析方法”非常實用。現在我總結壹下，用自己的理解做壹個總結。
“九種數據分析方法”是:
以下按照“比較什麽”和“與誰比較”來解釋:
通常有兩種類型的每日數據值:
1)絕對值:數據本身具有參考價值，如電商銷售金額、文章閱讀數等。
2)比例值:妳需要看比例值才能得到相關的值數據，比如留存率，活躍比例等等。
所以比較分析主要是分析比例值。通常我們有兩種比較方式:
1)同比:指當前時間範圍內某壹位置的數值與上壹時間範圍內同壹位置的數據的比較，英文:同期去年/月/日。例如，五月的第壹周與四月的第壹周相同。
2)環比:指當前時間範圍的數值與上壹個相鄰時間範圍的數值進行比較。例如，5月份的總銷售額環比增長20%，這意味著5月份的總銷售額比4月份的總銷售額增長了20%。
1)和妳自己。
在日常工作中，大部分的對比分析都是當前數據和以前數據的對比。可以從時間維度、渠道維度、業務線維度等不同角度進行比較。
2)與行業相比
做數據分析的時候，需要考慮行業的整體趨勢。比如公司是在線教育行業，今年用戶增長很快，團隊認為是運營的作用。但如果對比行業數據，增長可能低於行業平均水平，增長是因為疫情導致的自然增長。這時候就需要調整操作策略了。
我們在分析數據的時候，會盡量從有限的數據中挖掘出最大的價值，得到更多隱藏的信息。這時候就需要從多個維度來拆解問題。
用壹個實際案例來說明:
小明公司的產品是棋牌平臺，包含棋牌資訊、棋牌視頻、升級課程、問答社區等。平臺裏的金幣是虛擬貨幣。用這個金幣可以查看付費信息，付費視頻，獎勵等等。現在老板想知道金幣消耗的數據指標。
接到任務後，小明根據實際業務場景，多維度拆解金幣消費，梳理出以下維度:
A.時間。6月初平臺大更新，玩法更加多樣，所以本次數據分析只統計6月以後，按周統計。
b金幣消費基礎數據:消費總額、消費總人數、消費次數、充值次數等。
c金幣的消費場景:分析所有的消費場景，期望按照金幣的多少對消費場景進行排序，列出具體的消費內容來挖掘信息。
d金幣的消費者:明確自己是消費者的畫像，分析消費者的特點。
對單壹指標進行多維度分析是壹種常用的分析方法。
這種分析方法適用於“用戶有明確的實現某個目標的路徑”。比如分析壹門課程的購買率。用戶是否購買往往與前面的步驟息息相關，比如登錄——點擊首頁廣告——試用——提交訂單——支付成功。
單看這種情況下購買率的高低是沒有意義的。整個過程必須進行多維度的拆解，才能找到關鍵時刻進行改進。
漏鬥，適合觀察使用過程清晰的數據。漏鬥是壹系列前端影響後端的用戶行為，這些行為在不同的層次上聯系在壹起。
比如某棋牌APP的課程購買，最終支付是最後壹個漏鬥，其漏鬥路徑為:
用戶註冊-查看推薦內容-點擊課程-試用-提交訂單-支付。其中，用戶是否註冊決定了推薦內容能否正常觀看，用戶觀看推薦內容的數據影響點擊課程鏈接的數據，等等。
我們在使用漏鬥進行日常觀察時，需要註意三個誤區:
漏鬥上壹個工序影響下壹個工序，所以漏鬥的工序需要確定壹個合理的時間。比如上面的棋牌APP的支付漏鬥，用戶的決策時間通常是當天，但買房的決策周期可能長達數月。
漏鬥如:a-b-c-d-e .觀察時不能直接a-c-e .這樣觀察各層轉化率是不準確的。
有時，如果發現最終的勘測數據是錯誤的，則需要確定在統計壹個目標的數據時是否遺漏了其他漏鬥路徑。
壹個事件不僅僅是累積數據的指標，還可以從事件在不同維度的分布來分析。
比如通過分析用戶總數，可以研究用戶總數在不同性別、不同年齡、不同省份的分布情況。比如，通過分析某個頁面的用戶瀏覽數據，可以將總瀏覽量分布在不同時間、不同流量時段進行研究。
如圖所示:
在留存分析之前，有必要了解留存的定義，不同的公司對留存的計算方法是不同的。
1)保留算法1=(第7天/第1天)*100%
2)留存算法2=(第二天到第七天所有用戶加去權重)/第壹天*100%
應采用哪種計算方法取決於我們計算和保留的目的。例如:
1)比較不同渠道的用戶質量，采用算法1。因為所有渠道都是用初壹和初七的數據，忽略的信息是壹致的，所以可以公平比較。
2)如果妳分析壹個教人做飯的APP，這個APP的用戶主要在周末打開。那麽應該采用算法2。這樣可以更真實的反映留存情況。
還需要註意的是，有些公司會把第壹天稱為第0天。這樣做的好處是，在計算7天保留期時，可以比較同壹個“星期幾”。
根據具體的業務場景，需要選擇不同的時間跨度來分析留存，比如:
1)要了解某個渠道的好壞，宜采用日留存(如7天留存)。
2)觀察整個市場的數據，要采用周留存和月留存，這樣才能宏觀觀察平臺上用戶的粘性。
我們討論的用戶畫像有兩種:
1)用戶的詳細標簽。比如身份，年齡，婚姻，身高體重。通過識別用戶的各類特征，給用戶貼上各類標簽，通過標簽對用戶進行組合和分類，針對不同群體進行精細化的產品/運營動作。
2)通過用戶訪談等方式建立的代表性虛擬用戶。在產品規劃中使用虛擬用戶時，團隊可以很快達成* * *理解。
用戶標簽有很多種，大致可以分為四類:
1)基本屬性:年齡、性別、生日、星座、學歷、身高、收入、職業等。
2)社會屬性:婚姻、子女、性取向等。
3)行為特征:註冊時間、註冊渠道、是否購買過某個產品、是否關註過某個問題等。
4)業務相關:比如健身類APP關心用戶的睡眠質量、體脂率、高矮胖瘦等。
面對這麽多標簽，如何獲取，通常有兩種獲取方式:
1)
對於我們壹些常見的產品，註冊時壹定要填寫相關信息。
2)用戶行為的衍生和分析。
比如從手機型號推導出用戶的消費能力，從購買的產品推導出性別，從他關心的話題推導出興趣。
在實際工作中，壹些明確的業務目標往往被歸結為尋找實現目標的關鍵因素，並將有限的資源投入到關鍵因素中。
根據不同的業務場景，大致有三種歸屬方式:
1)最後歸屬
這種方法適用於轉換路徑短、事件間關聯性強的場景。這種場景需要專註於達到目標之前的那壹步。
以下實時獎勵案例側重於充值:
從案例分析中我們知道私信主播後充值的路徑比較大，應該盡快改善私信體驗。
2)遞減歸因
該方法適用於轉化路徑長、轉化鏈中事件間差異小、不完全占優的事件。
3)首次歸因
這種方式適合流量依賴性強的業務場景，用戶的入口比什麽都重要。比如借貸產品。
在漏鬥分析中，整個過程往往非常清晰。但是在實際的業務場景中，我們並沒有把用戶的使用過程搞清楚，或者說過程是復雜隨機的，沒有強有序性。這個時候，更適合應用路徑挖掘。
具體方法是找到流程中的所有事件，設置流程的流入流出頁面，將所有事件放在這個流中，用數據工具進行分析。
在分析之前，有必要了解分析的目的，這壹般適用於以下兩種情況:
1)有壹個清晰的開始場景。希望分析數據，觀察這壹幕之後發生了什麽。
1)有明確的結果目標。想要分析數據，觀察數據的用戶是如何壹步步實現目標的？
通過路徑挖掘，可以找到我們關註的關鍵路徑。只有找出關鍵路徑上的關鍵行為，才能創造良好的體驗。
路徑挖掘是挖掘大量用戶的行為路徑，但有時我們更關註個體行為，想知道這個個體在使用產品時完整的事件時間軸。如下圖所示:
挖掘單個用戶的行為序列通常適用於以下兩種場景:
1)找到統計所覆蓋的信息，還原用戶的具體使用場景。
2)找到個人行為特征和提高產品價值的機會。
案例:
在線象棋平臺推出新功能，邀請象棋大師入駐，在線授課。該功能上線3天，* * * 1萬用戶體驗了該功能。現在需要給兩個銷售人員分配任務，電話聯系感興趣的老師。
目前我們用個體行為序列分析來尋找重復使用某個功能且停留時間較長的用戶。經過篩選，1000用戶分配銷售，大大提交了合作轉化率。
以上是產品日常數據分析常用的九種分析方法。我是Tennoja Yige，產品領域的小學生，期待和大家多交流。